基于粒子群优化极限学习机的图像分割
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第9-12页 |
| 1.1 课题背景及研究的意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 论文结构及主要内容 | 第11-12页 |
| 2 基于极值扰动的粒子群算法改进研究 | 第12-24页 |
| 2.1 粒子群算法简介 | 第12-16页 |
| 2.1.1 PSO原理 | 第12-13页 |
| 2.1.2 PSO控制参数简介 | 第13-14页 |
| 2.1.3 PSO算法原理 | 第14-16页 |
| 2.2 改进的标准粒子群优化算法 | 第16-23页 |
| 2.2.1 标准PSO优化算法 | 第16-17页 |
| 2.2.2 RPSO算法基本思想 | 第17-19页 |
| 2.2.3 实验及性能分析 | 第19-23页 |
| 2.3 本章小结 | 第23-24页 |
| 3 基于改进的粒子群算法优化ELM分类模型 | 第24-34页 |
| 3.1 极限学习机算法介绍 | 第24-27页 |
| 3.1.1 单隐层前馈神经网络模型 | 第24-26页 |
| 3.1.2 ELM算法原理 | 第26-27页 |
| 3.2 改进粒子群算法优化极限学习机 | 第27-33页 |
| 3.2.1 RPSO-ELM基本思想 | 第28页 |
| 3.2.2 算法分析与设计 | 第28-33页 |
| 3.3 本章小结 | 第33-34页 |
| 4 RPSO-ELM算法应用于医学图像分割 | 第34-43页 |
| 4.1 引言 | 第34页 |
| 4.2 CT图像数据获取 | 第34-35页 |
| 4.3 实验设计与结论 | 第35-42页 |
| 4.4 本章小结 | 第42-43页 |
| 5 总结与展望 | 第43-44页 |
| 5.1 总结 | 第43页 |
| 5.2 未来研究工作展望 | 第43-44页 |
| 参考文献 | 第44-47页 |
| 附录 本文作者读硕期间发表的论文目录 | 第47-48页 |
| 致谢 | 第48页 |
